Agentic AI – wat is dat eigenlijk?

Agentic AI was zonder enige twijfel het meest gebruikte buzzwoord dit jaar op de Hannover Messe. De term was op zeer veel standen terug te vinden in allerlei grote slogans. Een goede gelegenheid voor ons om – een beetje misbruik makend van het adagium dat domme vragen niet bestaan – hier en daar te gaan aankloppen met de vraag: wat bedoelt u daar eigenlijk mee?

Met de term agentic AI kan een brede reeks van technologieën en applicaties benoemd worden – zo bleek al snel bij onze rondvraag op de Hannover Messe. Wat de meeste definities die mensen er aan geven, gemeen lijken te hebben, is dat het om systemen gaat die dingen kunnen doen. In zijn meest eenvoudige vorm wordt een Large Language Model gebruikt om data te analyseren en vragen van een gebruiker te beantwoorden. Je zou zo een LLM bijvoorbeeld kunnen vragen hoe je een bepaalde instelling van je PC moet wijzigen. Zo een toepassing wordt een agent genoemd wanneer ze in staat is om die parameter zelf in jouw plaats aan te passen.

Waar de meningen uiteenlopen en we dus ook verschillende vormen zien van agentic AI, is in de vraag of zo een systeem autonoom moet zijn. In sommige definities wordt dat expliciet benadrukt en gaat het dus om een systeem dat niet hoeft te wachten op de input van een gebruiker om een actie te ondernemen. In de plaats daarvan krijgt de agent een doelstelling opgelegd en moet het niet alleen zelf bepalen wat er moet gebeuren om dat doel te bereiken maar moet het die dingen ook effectief doen. Een voorbeeld van een industriële toepassing zou kunnen zijn wat we vroeger Model-based Predictive Control (MPC) noemden. Een agent heeft dan een model dat de werking van een boiler simuleert, bijvoorbeeld, en kan op basis daarvan met de parameters spelen met als doel om een bepaalde temperatuur aan de uitgang aan te houden, met een zo laag mogelijk energieverbruik..

Virtuele medewerkers

De grootste groep van toepassingen waarvoor tegenwoordig de term agentic AI gebruikt wordt, heeft die autonomie echter niet. Het gaat om systemen die voortbouwen op het eenvoudige voorbeeld dat we eerder gaven van een agent die een paramater op de PC kan wijzigen. De dingen die dit soort agents kunnen doen, zijn wel al behoorlijk complex, zoals bijvoorbeeld het configureren en programmeren van een machinesturing. Voor een stuk komt het erop neer dat de gebruiker via zo een agent werkt met de engineeringsoftware die hij vroeger ook al gebruikte, maar in plaats van zelf dingen te doen in die software zegt hij aan de agent wat er moet gebeuren. Dat leidt niet alleen tot een zeer intuïtieve manier om met de software te werken maar de agent kan zelf ook heel wat kennis en intelligentie aanbrengen, zoals het genereren van hele stukken code, om bij het voorbeeld van de machinesturing te blijven. Zo een agent kan de gebruiker ook helpen bij het uitleggen van waarom bepaalde dingen zijn zoals ze zijn en bij het opsporen van fouten.

En dan is er nog een aparte groep van toepassingen die volgens sommigen de echte definitie van agentic AI vertegenwoordigen, en dat zijn de virtuele medewerkers. Op de Hannover Messe waren daarvan een aantal leuke voorbeelden te zien. Het leuke is dat het blijkbaar gebruikelijk is om dit soort agents een naam en een gezicht te geven. Gebruikers kunnen dan bijvoorbeeld de hulp inroepen van Susan die een specialist is in supply chain management of Bob die alles weet over onderhoud. Wat dit soort agents typeert, is dat ze meestal niet langer gelinkt zijn aan een bepaalde softwaretoepassing maar dat ze toegang hebben tot meerdere databanken en toepassingen die voor hun domein relevant zijn. In de voorbeelden die we gezien hebben op de beurs, ging het niet om autonoom werkende agents maar om toepassingen waarmee gebruikers op een interactieve manier kunnen interageren om analyses uit te voeren, maar dus ook om dingen aan te passen. De gebruiker zegt dan wat hij wil aanpassen en de agent werkt met de relevante software om dat ook effectief te doen. De bedoeling is dat dergelijke agents (op termijn) ook autonoom kunnen werken en dat ze bijvoorbeeld tot doel zouden krijgen om een bepaalde KPI boven een bepaalde waarde te houden en alarm te slaan wanneer dat niet langer lukt.

Application Programming Interfaces (API’s)

Om dat allemaal mogelijk te maken – en een beetje in goede banen te leiden – maken agents naast LLM’s gebruik van twee cruciale technologieën: Application Programming Interfaces (API’s) en Knowledge Graphs (KG’s).

Het concept van API’s bestaat al veel langer in softwareapplicaties. Het gaat om interfaces die gemaakt zijn om third party systemen met een software te laten werken. Dat third party systeem kan nu dus ook een agentic AI zijn, en de originele softwareapplicatie weet eigenlijk niet dat het om een vorm van artificiële intelligentie gaat. In het verleden kon zo een third party software een systeem zijn dat bijvoorbeeld bepaalde automatiseringstaken mogelijk maakte, zoals het automatisch aanpassen van reeksen data, en dat is bij het gebruik van een agentic AI niet anders. Alleen de manier waarop het dat doet, is nieuw, maar dat maakt voor de softwareapplicatie dus geen verschil.

Het voordeel van API’s is dat er in de originele softwareapplicatie vooraf gedefinieerd is welke acties allemaal beschikbaar gesteld worden aan third party systemen. Het is een eindige lijst van commando’s waarbij bepaalde beperkingen opgelegd kunnen worden om het bijvoorbeeld onmogelijk te maken dat cruciale data gewist zou worden. In agentic AI, waar hallucinaties een reëel risico vormen, is die gecontroleerde interface een nuttige tool om misstappen te vermijden. Het feit dat de lijst van commando’s eindig en precies omschreven is, helpt de AI ook om tot goede resultaten te komen. Er is nu eenmaal weinig ruimte voor hallucinaties wanneer de AI slechts een eindige reeks van commando’s ter beschikking heeft en tot taak heeft om elke gedachtegang terug te brengen tot een of meerdere van die commando’s.

Knowledge Graphs (KG’s)

Een andere technologie die eigenlijk al cruciaal is op het niveau van LLM’s maar die in agentic AI, en vooral de toepassing met virtuele medewerkers, een speciale rol krijgt, is die van Knowledge Graphs (KG’s). In LLM’s worden neurale netwerken gebruikt als brein om zaken te interpreteren en logische verbanden te leggen tussen data. De kennis die daar uit voortvloeit of die op voorhand ter beschikking gesteld wordt van het LLM, wordt niet opgeslagen in het neurale netwerk zelf maar in speciale databanken die Knowledge Graphs genoemd worden. In die databanken worden termen bijgehouden met hun betekenis en hun relatie tot andere termen. Op die manier is de Knowledge Graph een representatie van hoe een LLM de wereld ziet.

In agentic AI is dat opnieuw een belangrijke tool om tot goede resultaten te komen en hallucinaties te vermijden. In het voorbeeld dat we eerder aanhaalden van Susan die een specialist is in supply chain management, is het de Knowledge Graph die alles in kaart brengt wat Susan hoort te weten. In de Knowledge Graph kan ook zeer specifiek opgegeven worden hoe de supply chain van een bepaald bedrijf in elkaar zit, wat er toe leidt dat de agent gaat denken in termen en processen die eigen zijn aan het bedrijf waar de agent ingezet wordt. Het zal een nieuwe job worden voor consultants en integratoren om die Knowledge Graphs aan te maken en te beheren.

De idee van Knowledge Graphs bestaat, net als API’s, overigens ook al langer dan LLM’s. Zoekmachines zoals Google maakten er al gebruik van om synoniemen en andere links tussen zoektermen te beheren en om de context van mogelijke zoekresultaten in kaart te brengen. Bekende databanken die voor Knowledge Graphs gebruikt worden, zijn Neo4j, Amazon Neptune en TigerGraph. Een bekende tool om ze te visualiseren en aan te passen, is Apache Jena.

© Productivity.be, 06/05/2026, Foto: Illustratie gemaakt door Microsoft Copilot

Feel free to share